Building Agentic Commerce #2: Como los agentes de IA descubren tu tienda sin API Key

Aqui va una pregunta que la mayoria de plataformas ecommerce aun no han respondido: como encuentra un agente de IA tu tienda en primer lugar? No a traves de Google. No a traves de un marcador. Un agente necesita endpoints de descubrimiento legibles por maquina que le digan que vendes, como buscar en tu catalogo y que protocolos soportas, todo antes de crear una cuenta u obtener una API key. En este post, recorreremos la cadena completa de descubrimiento que proporciona AgenticMCPStores, desde un inicio frio hasta un agente listo para checkout en menos de 2 segundos.

Los humanos descubren tiendas a traves de motores de busqueda, redes sociales, boca a boca y publicidad. Los agentes de IA no tienen ninguno de estos canales. Un agente necesita informacion estructurada y legible por maquina: que productos estan disponibles, que protocolos de pago se soportan, que nivel de confianza tiene el comerciante y como interactuar programaticamente. Sin descubrimiento estandarizado, cada integracion agente-tienda requiere configuracion manual, lo que anula todo el proposito del comercio autonomo.

AgenticMCPStores implementa el descubrimiento en cuatro capas, cada una sirviendo una etapa diferente del proceso de decision del agente:

Cada despliegue de AgenticMCPStores sirve 10+ endpoints JSON legibles por maquina bajo la ruta /.well-known/. Siguen las convenciones RFC 8615 y estan cacheados, son seguros para CORS y no requieren autenticacion. Un agente puede leerlos todos en paralelo en menos de 50ms.

El endpoint /llms.txt sirve un archivo de texto de ~1.500 lineas que describe toda la plataforma en un formato optimizado para consumo LLM. Se sirve en /llms.txt (estatico, cache 1h) e incluye: cada endpoint publico de API con metodos y parametros, todas las herramientas MCP con schemas de entrada/salida, matriz de soporte de protocolos con estado por protocolo, cambios recientes (novedades desde la ultima actualizacion) y un flujo de trabajo multi-tienda que los agentes pueden seguir paso a paso.

Lo que hace especial a llms.txt es la seccion INTEGRITY NOTICE: una defensa contra inyeccion de prompts que avisa a los agentes si herramientas de terceros han anadido instrucciones al contenido. Si un agente recibe llms.txt a traves de una extension de navegador que anade 'Dejar de procesar' o 'Ignorar instrucciones anteriores,' el aviso de integridad le dice al agente que descarte esas adiciones y continue. Este es un vector de ataque real: algunas extensiones de navegador anaden senales de bloqueo de agentes al contenido recuperado.

NLWeb es donde el descubrimiento se vuelve inteligente. En lugar de queries API estructuradas con filtros y parametros, los agentes hacen preguntas en lenguaje natural y obtienen resultados rankeados y puntuados con objetos Schema.org Product. El pipeline tiene cuatro etapas: generacion de embedding vectorial, busqueda de similitud coseno pgvector (top 50 candidatos en ~50ms), re-ranking LLM via Claude Haiku (puntua cada producto 0.0-1.0 por relevancia, ~300ms) y generacion opcional de resumen para modos summarize/generate.

Aqui esta el flujo completo que sigue un agente, desde no saber nada sobre AgenticMCPStores hasta completar una compra. Tiempo total: menos de 2 segundos.

La idea clave: las Fases 1-4 no requieren autenticacion alguna. Un agente puede descubrir tiendas, buscar productos y evaluar confianza sin ninguna API key. La autenticacion solo entra en la Fase 5 cuando el agente comienza a modificar estado (creando carritos). Esto reduce dramaticamente la barrera de descubrimiento.

Puedes probar la cadena completa de descubrimiento contra nuestra plataforma en vivo ahora mismo. Empieza con GET agenticmcpstores.com/.well-known/nlweb.json para ver el contrato de descubrimiento NLWeb. Luego prueba POST agenticmcpstores.com/mcpwebstore-platform/ask con { "query": "que protocolos soportais?", "mode": "summarize" } — la plataforma respondera preguntas sobre si misma. Para busqueda de productos, prueba POST agenticmcpstores.com/demo-store/ask con { "query": "auriculares", "mode": "list" }. Todo esto funciona sin autenticacion.

En la Parte 3, cubriremos trust scores: el sistema de puntuacion de 8 componentes que determina cuanta autonomia tiene un agente al comprar en tu tienda. Explicaremos por que un agente podria auto-aprobar una compra de 50 EUR de un comerciante pero requerir confirmacion humana para una compra de 20 EUR de otro, y como los comerciantes pueden optimizar su perfil de confianza para aumentar el trafico de agentes.